搜索 - 腾讯云开发者社区-腾讯云

文章/答案/技术大牛

发布

来自专栏hotarugaliの技术分享
CNN
简介 CNN 是专门用于处理网格化数据的神经网络。 CNN 中新增了 Convolution 层和 Pooling 层，CNN 的层的连接顺序是「Convolution-ReLU-(Pooling)」（Pooling 层有时会被省略）。 CNN 的优势全连接层（Affine 层）忽略了数据的形状。比如，输入数据是图像时，图像通常是高、长、通道方向上的 3 维形状。但是，向全连接层输入时，需要将 3 维数据拉平为 1 维数据。因此，在 CNN 中，可以（有可能）正确理解图像等具有形状的数据。【注】把 3 维数据表示为多维数组时，书写顺序为（channel, height, width）。
1.3K12编辑于 2022-03-10
来自专栏大数据共享
CNN
和BP网络不同的是，cnn的特点是权值共享（卷积核filter），并且不需要人工的特征分析。而在cnn中我们所使用的filter卷积核（三维，大小*通道数），遍历一个样本所使用的权值都是相同的，即所谓的权值共享。通过一系列的卷积+池化的操作，完成了对图片数据的特征提取。 cnn的最后会将末端得到一个长长的向量，并送入全连接层配合输出层进行分类。高维输入：图片由RGB三种像素，一个filter有一个通道数，输出结果为二维结构，为一个二维平面。
56300编辑于 2022-01-02
来自专栏DEEPLEARN
CNN
max pooling ''' return tf.nn.max\_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME') def cnn ))) y\_p = tf.matmul(net\_fc2,weight([84,10])) + biases(10) return y\_p # 3.搭建CNN tf.float32,[None,32,32,1], name='x') y\_t = tf.placeholder(tf.int32,[None,10],name='y\_t') y\_p = cnn
1.3K01发布于 2019-03-18
来自专栏深度学习自然语言处理
【CNN】多角度理解CNN
这一角度可以更好理解传统神经网络和 CNN 之间的联系，其中左图是传统神经网络，右图是 Dense 神经网络视角下的 CNN。灰色连接对应于不可训练的 0。 setosa.io/ev/image-kernels/ [6] Visualizing what ConvNets learn: http://cs231n.github.io/understanding-cnn
93920发布于 2020-03-04
来自专栏书山有路勤为径
Advanced CNN Architectures（R-CNN系列）
R-CNN方法的主要缺点是依然很耗时，因为需要将每个裁剪区传入整个CNN中，然后才能生成一个类别标签。 Fast R-CNN R-CNN的下一个发展架构是Fast R-CNN。这种架构使整个图像仅传入分类CNN一次，而不是通过分类CNN单独处理每个感兴趣区域(ROIs). FAST R-CNN是R-CNN的10倍，因为它只为给定的图像创建卷积层一次。Fast R-CNN也需要更短的时间来测试一个新图。测试时间主要由创建候选区域时间决定。 Faster R-CNN Faster R-CNN 学会生成自己的候选区域它接受一个输入图像，将图像传入 CNN 直到特定的卷积层就像 Fast R-CNN 一样。通过消除非对象区域分析步骤，Faster R-CNN是所有区域CNN中最快速的模型。 ?
96220发布于 2018-10-10
来自专栏fangyangcoder
CNN初探
这个为CNN的局部感知奠定了一个基础。最后，2005出现了一篇GPU实现CNN的paper，标志了一种实现CNN更有效的方式，之后在2012年ImageNet大赛中CNN由于其高精确度脱颖而出，于是，深度学习正式进入人们的视野。 2 CNN基本模块 CNN由输入和输出层以及多个隐藏层组成，隐藏层可分为卷积层，池化层、RELU层和全连通层。 CNN的特点这里主要讨论CNN相比与传统的神经网络的不同之处，CNN主要有三大特色，分别是局部感知、权重共享和多卷积核 3.1 局部感知局部感知就是我们上面说的感受野，实际上就是卷积核和图像卷积的时候 5.dropout dropout是一种正则化的方法，应用在CNN中，主要解决CNN过拟合的问题。怎么理解这个东西呢，首先我们要知道为什么过拟合？
68110发布于 2018-09-11
来自专栏Python编程和深度学习
目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）
目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）内容目录 1 R-CNN1.1 候选框提取1.2 特征向量提取1.3 SVM分类1.4 候选框修正1.5 R-CNN的缺点2 Fast R-CNN2.1 RoI Pooling Layer2.2 Multi-task loss3 Faster R-CNN3.1 RPN（Region Proposal Networks 1.5 R-CNN的缺点两个字：耗时。考虑到R-CNN耗时的问题，Fast R-CNN被提出来，基于VGG16的Fast R-CNN在训练速度上比R-CNN快9倍，测试速度快了200多倍，思路如下： 1）首先采用Selective Search 4 Mask R-CNN 论文题目《Mask R-CNN》论文地址：https://arxiv.org/abs/1703.06870 Mask R-CNN主要由Faster R-CNN、RoI Align
1.5K30发布于 2020-05-25
来自专栏奔跑的键盘侠
TensorFlow之CNN
这是奔跑的键盘侠的第190篇文章作者|我是奔跑的键盘侠来源|奔跑的键盘侠（ID：runningkeyboardhero）转载请联系授权（微信ID：ctwott）接上一篇，我们继续…… CNN env python3.6 # -*- coding: utf-8 -*- # @Time : 2020-12-19 17:26 # @Author : Ed Frey # @File : CNN_study.py 和 tf.keras.optimizer num_epochs = 5 batch_size = 50 learning_rate = 0.001 model = CNN print("test accuracy: %f" % sparse_categorical_accuracy.result()) 代码其实跟MLP差不多，唯一的区别就是 model = CNN () 这一句中调用CNN模型换掉了，其他代码一模一样。
52710发布于 2020-12-30
来自专栏Soul Joy Hub
TensorFlow实战——CNN
参数太多（每个节点都要和下一层的所有节点连接）容易过拟合不能很好的抽取局部的特征（如一张有两只猫的图片，它偏向于抽取整张图的特征，而不是图中部分区域的特征）鉴于以上的问题，我们介绍卷积神经网络（CNN 先介绍CNN中的池化层和卷积层。我们根据下图来讲解： ?
53320发布于 2019-02-13
来自专栏AngelNI
TF-CNN
低头不是认输，是要看清自己的路；仰头不是骄傲，是要看见自己的天空。——科比·布莱恩特
50910发布于 2020-04-16
来自专栏杨熹的专栏
图解何为CNN
参考 CNN － Convolutional Neural Networks 是近些年在机器视觉领域很火的模型，最先由 Yan Lecun 提出。把白圆圈换成神经元，就是CNN的样子。 ? Convolution层的神经元之间没有联系，它们各自都只连接inputs。 ? CNN 也用 Back propagation 训练，所以也有 vanishing gradient 的可能。一个典型的 Deep CNN 由若干组 Convolution－ReLU－Pooling 层组成。 ? 但CNN也有个缺点，因为它是监督式学习，所以需要大量的有标签的数据。
1.3K50发布于 2018-04-02
来自专栏机器之心
Nature | 光学CNN层替换传统CNN层，超省电
选自Nature 作者：Julie Chang 等机器之心编译参与：高璇、刘晓坤 CNN 计算效率的研究一直备受关注，但由于功率和带宽的严格限制，CNN 仍难以应用在嵌入式系统如移动视觉、自动驾驶中 CNN 计算效率的研究一直备受关注，但由于功率和带宽的严格限制，CNN 仍难以应用在嵌入式系统如移动视觉、自动驾驶和机器人、无线智能传感器中。研究者提出一个位于前馈 CNN 之后的计算成像系统模型，用来协助输入图像的分类。通过将 CNN 的第一个卷积层引入光学器件，可以减少推理过程中的电路处理器的负载。 ASP 视觉系统曾探究过一种混合光电 CNN 的概念，使用 angle sensitive pixel（APS）来近似经典 CNN 的第一个卷积层，但是卷积核集是固定的。图 3：混合光电 CNN。（a）有单个 opt-conv 层的模型原理图，对传感器图像进行处理并送入后续的数字 CNN 层。（b）优化的相位掩模模板和生成的相位掩模在不同缩放级别的显微图像。
1.7K20发布于 2018-09-20
来自专栏人工智能LeadAI
用CNN做句子分类：CNN Sentence Classification (with Theano code)
01 Intro 本篇文章来细说CNN在NLP中的一大应用————句子分类。通过Yoon Kim的论文介绍一个应用，分析代码，并重构代码。重构后的代码放在github（https://github.com/applenob/CNN_sentence），另附io博文地址（https://applenob.github.io/cnn_sc.html CNN（卷积神经网络），虽然出身于图像处理，但是它的思路，给我们提供了在NLP应用上的参考。所谓的static和non-static的chanel解释如下： CNN-rand: 所有的word vector都是随机初始化的，同时当做训练过程中优化的参数； CNN-static: 所有的word 的Word2Vector工具(COW模型)得到的结果，但是会在训练过程中被Fine tuned； CNN-multichannel: CNN-static和CNN-non-static的混合版本，即两种类型的输入
2.4K61发布于 2018-03-08
来自专栏机器学习AI算法工程
深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN
2.只对原图提取一次卷积特征在R-CNN中，每个候选框先resize到统一大小，然后分别作为CNN的输入，这样是很低效的。 Fast R-CNN SPP Net真是个好方法，R-CNN的进阶版Fast R-CNN就是在RCNN的基础上采纳了SPP Net方法，对RCNN作了改进，使得性能进一步提高。 R-CNN与Fast RCNN的区别有哪些呢？画一画重点： R-CNN有一些相当大的缺点（把这些缺点都改掉了，就成了Fast R-CNN）。大缺点：由于每一个候选框都要独自经过CNN，这使得花费的时间非常多。对于属于某一特征的候选框，用回归器进一步调整其位置总的来说，从R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN一路走来，基于深度学习目标检测的流程变得越来越精简，精度越来越高
1.6K60发布于 2018-04-17
来自专栏机器学习、深度学习
CNN交通场景解析--Spatial as Deep: Spatial CNN for Traffic Scene Understanding
Spatial CNN 对空间关系建模的传统方法是基于 Markov Random Fields (MRF) or Conditional Random Fields (CRF)。最近有人讲 CRF 和 CNN 结合起来使用。 ? mean field algorithm 可以通过 CNN网络实现。而且这个过程是其CNN的输出进行处理的，可能对 CNN 网络中的 top hidden layer 输出信息处理更合适。这里我们提出 Spatial CNN 来解决上面的问题 ? 传统CNN网络中该卷积层的输出被送到第二个卷积层进行卷积。这个视角不包括 CNN提取特征的时间
1.8K30发布于 2019-05-27
来自专栏杨熹的专栏
用 Tensorflow 建立 CNN
稍稍乱入的CNN，本文依然是学习周莫烦视频的笔记。还有 google 在 udacity 上的 CNN 教程。 CNN(Convolutional Neural Networks) 卷积神经网络简单讲就是把一个图片的数据传递给CNN，原涂层是由RGB组成，然后CNN把它的厚度加厚，长宽变小，每做一层都这样被拉长，在 CNN 中有几个重要的概念： stride padding pooling stride，就是每跨多少步抽取信息。每一块抽取一部分信息，长宽就缩减，但是厚度增加。 CNN的结构，分析一张图片时，先放一个CNN的图层，再把这个图层进行一个pooling。这样可以比较好的保持信息，之后再加第二层的CNN和pooling。下面就是用 tensorflow 构建一个 CNN 的代码，里面主要有4个layer，分别是: convolutional layer1 + max pooling; convolutional layer2
91660发布于 2018-04-02
来自专栏深度学习和计算机视觉
CNN模型之SqueezeNet
01.引言 SqueezeNet是Han等提出的一种轻量且高效的CNN模型，它参数比AlexNet少50x，但模型性能（accuracy）与AlexNet接近。 Han等将CNN模型设计的研究总结为四个方面：模型压缩：对pre-trained的模型进行压缩，使其变成小模型，如采用网络剪枝和量化等手段；对单个卷积层进行优化设计，如采用1x1的小卷积核，还有很多采用可分解卷积 , name="expand_3x3") return tf.concat([expand_1x1, expand_3x3], axis=3) 05.总结本文简单介绍了移动端CNN
84620编辑于 2022-04-06
来自专栏AI 算法笔记
cnn调优总结
转载自 Charlotte数据挖掘资料来自网上，略有删改针对CNN优化的总结 Systematic evaluation of CNN advances on the ImageNet 使用没有 batchnorm 其他可以详细看看论文，作者很辛苦的对比了各种超参数对CNN模型性能的影响，非常值得一看。你可以只在大的完全连接层上使用它，然后避免在 CNN 层上使用。修改你的模型，只要可能就使用 1x1 的 CNN 层，它的位置对提高性能很有帮助。假如没有高端的 GPU，就不要尝试训练任何东西了。评估一些其他的神经网络方法，例如LVQ, MLP, CNN, LSTM, hybrids等选取性能最好的算法，然后通过进一步的调参和数据准备来提升。
89120发布于 2019-09-23
来自专栏智能算法
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
） Fast R-CNN（Selective Search + CNN + ROI） Faster R-CNN（RPN + CNN + ROI） R-FCN 等系列方法； 3. 3.3 Fast R-CNN SPP Net真是个好方法，R-CNN的进阶版Fast R-CNN就是在R-CNN的基础上采纳了SPP Net方法，对R-CNN作了改进，使得性能进一步提高。 R-CNN与Fast R-CNN的区别有哪些呢？简言之，即如本文开头所列 R-CNN（Selective Search + CNN + SVM） SPP-net（ROI Pooling） Fast R-CNN（Selective Search + CNN + ROI） Faster R-CNN（RPN + CNN + ROI）总的来说，从R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN一路走来，基于深度学习目标检测的流程变得越来越精简
16.7K48发布于 2019-12-06
来自专栏从流域到海域
tensorflow入门：CNN for MNIST
使用tensorflow构建如上图所示的CNN用于对MNIST数据集进行softmax classification。
63520发布于 2019-05-26

第 2 页第 3 页第 4 页第 5 页第 6 页第 7 页第 8 页第 9 页第 10 页第 11 页

点击加载更多

CNN

CNN

CNN

【CNN】多角度理解CNN

Advanced CNN Architectures（R-CNN系列）

CNN初探

目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）

TensorFlow之CNN

TensorFlow实战——CNN

TF-CNN

图解何为CNN

Nature | 光学CNN层替换传统CNN层，超省电

用CNN做句子分类：CNN Sentence Classification (with Theano code)

深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN

CNN交通场景解析--Spatial as Deep: Spatial CNN for Traffic Scene Understanding

用 Tensorflow 建立 CNN

CNN模型之SqueezeNet

cnn调优总结

一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

tensorflow入门：CNN for MNIST

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐